基于网格的多密度聚类算法

提出了一种多密度网格聚类算法GDD。该算法主要采用密度阈值递减的多阶段聚类技术提取不同密
度的聚类，使用边界点处理技术提高聚类精度，同时对聚类结果进行了人工干预。GDD 算法只要求
对数据集进行一遍扫描。实验表明，该算法可扩展性好，能处理任意形状和大小的聚类，能够很好
的识别出孤立点或噪声，在处理多密度聚类方面有很好的精度。
关键词：密度阈值递减；多阶段聚类；边界点提取
聚类是数据挖掘中的一种重要技术，它的目标是将数据集分成若干个子集，同一个子集
中的对象是相似的，不同子集中的对象不相似。在几何方面，聚类是在整个数据集中确定由
稀疏区域分开的密集区域。由于其无指导学习能力，聚类算法能在数据集中发现隐藏的数据模式，所以对聚类算法的研究一直很活跃。基于相似性已经有很多聚类算法，这些聚类算法大体上可分为基于划分的聚类算法、基于密度的聚类算法、基于层次的聚类算法和基于网格的聚类算法等。其中基于网格的聚类算法由于只考虑网格单元而不是考虑每个点，它的计算效率比较高。基于网格的聚类算法认为：当网格划分的比较细时，每个网格内的点可看作是相似的。但是对多密度的数据集，这些算法很难得到满意的聚类结果。本文的主要目的就是利用网格技术解决对多密度数据集的聚类。
聚类分析所使用的数据集中，各个类的密集往往不尽相同，甚至差别很大。大多数现有
的聚类算法都是致力于如何发现任意形状和大小的类，但很难有效的处理密度差别较大的数据集。能够处理多密度数据集的聚类算法有Chameleon[1]、共享近邻SNN 算法[2]、多阶段等密度线算法[3]等。
Chameleon 算法可以用来处理多密度的数据集，但当数据集较大时其算法的时间复杂度
太高。共享近邻SNN 算法的主要思想是：对于数据集中每个点，找出距离其最近的K 个邻近点，形成一个集合。然后考虑数据集中的任意两个点，若对应于这两个点的K 个邻近点集合交集部分的点数超过一个阈值，则将这两个点归于一类。SNN 算法的优点是可以对不同密度和形状的数据集进行聚类，缺点是在多密度聚类和处理孤立点或噪声方面精度都不高（见图1(a)和图2(a)）。多阶段等密度线算法采用多阶段的方式，利用等密度线的思想对数据集进行聚类，它的缺点是不能有效地分离出多个类。文献[2]给出了SNN 算法和一些现有的聚类算法的比较结果，结果表明SNN 算法表现出了较好的性能。本文只给出GDD 算法和SNN 算法聚类结果的比较，从比较结果可以看出GDD 算法在多密度聚类、孤立点或噪声处理方面显示出了很高的精度。
现有的聚类算法大都忽视了聚类过程中的人工参与，很难在聚类过程中充分利用专家
关于领域的知识指导聚类过程，所以得不到满意的聚类结果。在GDD 算法中，对聚类结果就进行了人工干预。